学术资源共享平台通过采集、集成和存储各类学术资源,为用户提供统一的资源检索和下载入口,在促进学术交流、实现资源共享方面起着不可替代的作用。随着科学技术的不断进步,共享平台收录的资源数量急剧增多,导致用户想要快速准确地获取当前研究热点和找到需要的资源变得日益困难。因此,如何智能化地分析海量数据,为用户提供帮助和服务,是学术资源共享平台所面临的巨大挑战。本文结合Hadoop相关技术为学术资源共享平台存储和处理海量数据提供解决方案,并重点研究了学术资源热点发现及个性化推荐方法,实现从海量学术资源中准确快速地提取当前研究热点和挖掘用户偏好的资源。基于上述分析,本文主要研究工作如下:(1)研究了海量数据处理相关理论,结合Hadoop相关技术,设计并实现了一种海量数据处理模型,为学术资源共享平台提供存储与分析海量数据的能力。(2)设计了一种基于密度的文本聚类方法实现学术资源热点自动发现。采用空间向量模型以结构化数据表示学术资源,采用具有噪声的基于密度的聚类方法(Density Based Spatial Clustering of Appliactions with Noices,DBSCAN)对数据集进行聚类发现资源热点。通过合并具有明显包含关系的特征项,改善了热点发现准确度。本文基于Hadoop实现热点发现过程,提高了执行效率和扩展性。(3)设计了一种基于协同过滤的学术资源个性化推荐方法。通过将用户属性、资源属性和用户评分相融合,改善了推荐系统的准确度。本文基于Hadoop实现了学术资源个性化推荐,提高了推荐系统的扩展性和效率。(4)结合Hadoop和J2EE相关技术,实现学术资源共享平台。上述研究工作使学术资源共享平台具备存储海量数据的能力,并能够快速准确地从中分析提取出学术资源研究热点以及用户偏好的学术资源,对促进学术交流、提高资源利用率并增强共享平台增值服务体验具有重要意义。